猫眼影戏
 |
|
猫眼影戏
田旭必
手机审查
猫眼影戏记者 左舷 报道Q8X2R7L1T4J5M9B6W3
新智元报道
编辑：LRST
【新智元导读】多目的（Multi-target） 以及 视觉参照（Visual Reference） 为视觉定位（Visual Grounding）使命的推理速率和性能同时带来了全新的挑战。 为相识决这一难题 ，来自UIC和Adobe的研究团队提出了VGent模子。这是一种兼顾速率与性能的 ？榛杓 ，旨在将模子的推理与展望能力解耦 ，并辅以多种 ？榛銮考苹 。最终 ，VGent依附不到16B的参数目 ，在多目的及带视觉参照的视觉定位基准（Omnimodal Referring Expression Segmentation, ORES）上 ，大幅逾越了Qwen3-VL-30B ，实现了平均+18.24 F1的重大提升！
在多模态大模子（MLLM）时代 ，视觉定位是MLLM细粒度推理能力的主要一环 ，同时也是实现人机交互和具身智能的焦点能力。
现有的解决计划主要分为两类：
原生Token派（Native-token）：像 Qwen2.5-VL 或 Ferret-v2 这样的模子 ，通过自回归（auto-regressive）的方法使用原有的词表逐个天生界线框坐标 。这种方法不但速率慢（推理时间随目的数目线性增添） ，并且在多目的场景下容易爆发幻觉（Hallucinations） ，即模子可能会在枚举完所有目的工具之前就过早阻止 ，或者在目的麋集的场景中陷入无限天生的死循环。如图一所示 ，随着目的数目的增添 ，这类要领在多目的场景下的低效和不稳固性变得尤为显着。
新增Token派（New-token）：另一类要领实验通过引入特殊的token（如[SEG]或 object token）来指代目的物。他们需要网络大规模的数据集、从LLM起重新构建一个能明确这些新增token的MLLM。因此 ，这种要领不可阻止地会破损LLM在预训练阶段获得的通用推理能力。更严重的是 ，其导致无法直接使用现有的、先进的、举行了更大规模预训练的开源MLLM（如 QwenVL系列）。
来自UIC（伊利诺伊大学芝加哥分校） 和Adobe的研究团队提出一种 ？榛谋嗦肫-解码器（Encoder-Decoder）架构VGent ，其焦点头脑是：将高层的语义推理交给MLLM ，将底层的像素展望交给目的检测器（detector） ，最终通过hidden state将这种解耦后的关系举行毗连。
论文地点：https://arxiv.org/abs/2512.11099
研究职员以为 ，语义推理和精准定位是两种截然差别的能力 ，强迫训练一个简单的整体模子去同时醒目笼统的语义推理和像素级别的底层展望 ，会导致性能和效率上的权衡。
更切合直觉的方法 ，应该是由差别的组件做各自善于的事。
基于这一洞察 ，VGent提出了一种 ？榛谋嗦肫-解码器设计 ，使用现成的MLLM和detector将高层多模态推理与底层展望解耦。
其焦点理念在于MLLM和detector的优势是互补的：MLLM善于多模态语义对齐和推理 ，而detector则善于高效地提供精准的多目的检测框。
图一：VGent（蓝色）与现有先进的MLLM（Qwen2.5-VL ，灰色）在多目的视觉定位使命上的比照。左图显示VGent的推理时间恒定且迅速 ，而 MLLM 随目的数目增添呈线性增添；右图显示VGent在F1分数上实现了显著提升 ，特殊是在多目的场景下。
要领
基础架构
VGent主要由图二所示的encoder和decoder两部分组成 ，并引入了三种 ？榛銮炕疲ㄍ既⑺暮臀澹。
图二：VGent框架概览
如图二所示 ，左侧encoder是一个 MLLM ，使用QuadThinker来提升其多目的推理能力。冻结的encoder输出hidden states并存储下来给到decoder。右侧decoder初始化自encoder的LLM 层 ，其将detector天生的object proposal作为query ，通过cross-attention与encoder的hidden states交互。
研究职员在decoder内部新增了self-attention层（参数初始化自统一层的cross-attention） ，用于增进query之间的信息交流。 最终的输出举行yes / no的二元判断来选择每个proposal是否属于目的。响应的segmentation mask则通过 prompt SAM 获得。
QuadThinker：强化多目的推理能力
针对MLLM在多目的场景下推理能力下降的问题 ，研究职员提出了一种基于 GRPO 的强化学习训练范式QuadThinker ，通过设计特定的prompt和reward functions ，指导模子执行区域到全局、分步推理的历程：先划分统计图像四个象限内的目的数目 ，再汇总总数 ，最后展望详细坐标。
图三：QuadThinker所使用的prompt。
Mask-aware Label：解决检测与支解的歧义
在多目的场景中 ，检测（Box）与支解（Mask）使命的界说保存一定的差别。检测通常优化「一对一」的匹配 ，而支解则旨在召回所有远景像素。
图四：Mask-aware Label示意图；贗oA的标签分派战略能召回被古板IoU忽略的细粒度部件。
这种差别导致了标注歧义：例如图四（左）中 ，检测器可能将「鹿头装饰」与其「挂绳」视为两个自力的框。
在检测使命的 IoU 标准下 ，由于挂绳的框较量小、相关于整体真值框的重叠率过低 ，往往会被看成负样本在标注阶段被过滤掉（被标上负标签）。可是关于支解使命来说 ，这个挂绳属于远景 ，其应该被标上正标签。
为此 ，VGent引入了Mask-aware Label ，使用IoA (Intersection-over-Area) 指标举行特另外标签分派。如图四（右） ，IoA通过盘算候选mask （通过proposal prompt SAM获得）与多目的真值的union mask的交集 ，并除以候选mask自身的面积获得。
由于IoA的分母是候选mask自身面积 ，该机制能精准召回那些虽然只笼罩了部分目的群（如细小的挂绳）但依然有用的 proposal。模子使用另一个自力的MLP head专门展望这种支解导向的标签 ，用于解决视觉定位中支解类型的输出。
Global Target Recognition：增强全局感知
为了提升候选框选择的准确性 ，VGent 引入了Global Target Recognition ？。
图五：Global Target Recognition示意图。使用Learnable Queries注入全局目的数目信息 ，并聚合多个detector的效果以提升召回率。
为了提高召回率 ，研究职员聚合了来自多个detector的proposal形成一个统一的query set ，之后引入了特另外 learnable queries与这些proposal queries拼接作为decoder的输入。
这组query被专门训练用于展望目的的总数以及正样本proposal的数目。通过decoder层内的self-attention机制 ，这些包括全局统计信息的learnable query能够与proposal query举行交互 ，将「全局线索」撒播给每一个候选框 ，从而增强其对目的群体的整体明确 ，实现更精准的选择。
实验效果
研究职员在最新的多目的视觉定位基准 ORES (MaskGroups-HQ) 以及古板的单目的数据集上举行了普遍评估。
多目的视觉定位（Multi-target Visual Grounding）
图六：在 Omnimodal Referring Expression Segmentation (ORES) 上的性能比照。ORES是多目的以及保存视觉参照（w/ < mask-ref >）的视觉定位基准。
如图六所示 ，在极具挑战的ORES基准上 ，VGent 取得了全新的SOTA效果。相比之前的最佳要领RAS13B ，VGent在F1分数上实现了+20.58%的重大提升。VGent在gIoU和cIoU上都带来了显着的提升。
值得注重的是 ，纵然比照参数目更大的Qwen3-VL-30B ，VGent 依然坚持显著优势。同时 ，得益于 ？榛杓 ，VGent 在目的数目增添时坚持恒定且快速的推理速率 ，阻止了自回归模子随目的增添而线性增添的推理延迟（如图一所示）。
单目的视觉定位（Single-target Visual Grounding）
图七：在referring expression comprehension (REC) 上的性能比照。
VGent在古板单目的基准（RefCOCO, RefCOCO+, RefCOCOg）上也体现卓越。
VGent实现了90.1%的平均准确率 ，逾越了InternVL3.5-20B和38B等更大规模的模子 。相比其backbone (Qwen2.5-VL-7B) ，VGent带来了+3.5%的平均性能提升。
可视化
图八：VGent在差别挑战下的展望效果可视化。
VGent在重大场景中展现了极强的鲁棒性。
如图八（上）所示 ，VGent精准定位所有方形钟表 ，纵然保存大宗相似的钟表作为滋扰项 ，展现了VGent在麋集多目的场景下的优越体现。
图八（下）中 ，VGent 乐成定位了视觉参照（蓝色 mask） ，并继续推断出左侧穿裙子的女士 ，扫除了右侧的滋扰项。
参考资料：
https://arxiv.org/abs/2512.11099
秒追ASI
?点赞、转发、在看一键三连?
点亮星标 ，锁定新智元极速推送！
??时势1：国产 小说 图片
??01月08日,台湾大学生中华文化研习营在川开营,
首先先容今天莅临银行分行开业典式的列位向导：……
,17c男桶女唧唧。??01月08日,江门市“委员通道”开启 聚焦社会热点,
?学生暑假打工拿不到人为怎么办,人人搞人人摸人人看,国产免费黄色网站在线观看,欧美日韩精品国产一区二区三区。??时势2：ⅴa亚洲v天堂亚洲va久久久噜
??01月08日,中国外交部和阿盟秘书处发表关于巴以冲突的联合声明,
六年阳光学习 ，六年阳光生涯 ，六年阳光教育 ，必将熏陶出自信、正义、活力、向上的阳光少年。阳光六年 ，涤讪孩子们的终身生长;阳光六年 ，成绩孩子们的一生幸福。
,91视频免费看,亚洲最新的黄色网站,5号房韩宝贝仙女屋的传说与历史背景。??01月08日,中欧班列已通达36个国家的320余个城市,
“霹雳”
,叶山小百叶女婿完整版,激情欧美图片区视频区小说区,中日韩大黄片。??时势3：欧美18性欧美在线
??01月08日,青海德令哈：猞猁悠闲漫步“巡山” 呆萌可爱,
三要规范事情程序 ，确珍重点工程的顺遂实验。随着嘉荫经济社会的快速生长 ，种种重点工程建设进入高速生耐久。整理修建市场秩序和规范项目建设施工程序 ，进一步强化修建市场治理 ，已成为确保工程质量清静的一件刻禁止缓的大事。经由研究 ，我们将逐步出台一些规范性文件。适才 ，聚会印发并宣读的《关于进一步规范都会基本建设项目审批及完工验收程序和明确参建各方主体责任的意见》就是其中的一部分 ，目的就是要有用解决在加速都会建设历程中责任不敷明晰、程序不敷规范的问题 ，就要进一步规范建设业主和参建各方主体行为和责任 ，进一步捋顺项目建设的各项程序。如 ，公建项目建设单位在建设历程中要认真推行责任与义务的同时 ，要与财务、建设主管部分对工程建设标准 ，包括主体与装修工艺质料等所有相关事项予以明确并签署相关协议。通俗砖混结构工程严酷执行一口价 ，经财务、建设主管部分审核提出意见后 ，报县政府主要向导批准后确定 ？蚣芗疤厥饨峁寡峡嶂葱性ぞ鏊 ，由施工单位提出预算 ，经财务、建设主管部分审核提出意见后、报县政府主要向导批准后确定。施工历程需要改变建设和工程造价时 ，必需经财务、建设部分审核提出意见后 ，报县政府主要向导审批确定 ，没有推行以上审批程序 ，不予拨付工程款。房地产开发项目 ，开发单位在建前办理各项审批手续的同时 ，必需将小区内部妄想、景观设计与工程施工图纸一并呈报妄想局、建设局、公用事业局、园林局等相关单位部分予以审批 ，包括小区硬化、绿化、供热、供水、通讯等配套设施等 ，并在施工历程予以认真执行和实验 ，不然不予验收和发放产权证;同时 ，在开发历程中要严酷执行预售允许制度 ，推行审批程序 ，坚决控制超前销售行为爆发 ，建设行业主管部分要严酷予以监视。另外 ，各项目建设单位必需在建前足额交纳农民工欠薪包管金 ，完工后足额扣取工程质量包管金等等 ，这些都要在以后的都会建设中予以进一步规范。各部分、建设各单位及开发企业 ，要严酷凭证意见要求 ，认真贯彻执行 ，确保都会建设各项重点工程高效推进温顺遂实验。
,银兽学园:樱花动漫,波波播播影院私人影院,美女高潮网站。??01月08日,首届浙江省中美合作办学工作研讨会召开,
村人恼怒 ，三只幼鸟生长在石村 ，早已是这里的成员 ，居然有人跑到村中来狩猎 ，明目张胆的抢夺 ，着实是欺人太甚。
,在线观看视频国产第一页,国产精品亚洲第一区二区,一级性生活。??时势4：孕妇精品二区视频在线观看
??01月08日,40℃以上高温持续 杭州多地公告实施人工增雨,
“好 ，等大黑产下那窝小虎崽 ，我连忙就送过来 ，让它们一起陪你玩儿。”赶着兽车远去的老人摇了摇头 ，轻语道：“真是一个可怜的孩子 ，没有亲人 ，没有玩伴 ，整日守着这陵园般的老庄子 ，童年太阴晦了。”
,精品欧美在线视频,看黄免费网址,午夜一级影院欧美。??01月08日,学习越深入，越能尝到甜头（人民论坛）,
在这一刻 ，不必谁多说 ，所有人都知道了 ，一定是那宗圣物重见了天光。
,评分9.5以上的架空历史小说,男孕期双腿大开分娩,强奷漂亮的夫上司犯网站。责编：王灿张
审核：关谷君
责编：马克安
Copyright (C) 2001- dzwww.com. All Rights Reserved
新闻信息效劳允许证 - 音像制品出书允许证 - 广播电视节目制作谋划允许证 - 网络视听允许证 - 网络文化谋划允许证
山东省互联网传媒集团主理 联系电话：0531-85193202 违法不良信息举报电话：0531-85196540
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
